Dec, 2022

将移动健康用户建模为强化学习智能体

PDF
TL;DR本文介绍了一个框架，通过提供不同类型的干预措施，帮助使用移动健康技术的患者在日常生活中采取或保持健康的行为，同时优化了马尔可夫决策过程的参数，以解决人类决策过程中可能出现的问题。
mobile healthmhealthinterventionsdecision makingmarkov decision process
发现论文，激发创造
  • 面向个性化移动健康干预的群体驱动强化学习

    本文提出了一种基于群组驱动的强化学习方法，在移动健康技术中实现将相似用户信息进行整合，以共享信息和更好的转化有限用户信息来学习更好的强化学习策略，实验结果表明该方法优于现有 mHealth 强化学习方法。

    Aug, 2017

  • 二人强化学习

    本文介绍了一种基于上下文因素和目标人以及他们的照顾伙伴的过去反应的在线强化学习算法 - 双人强化学习，旨在个性化干预传递，提高社会支持。通过在玩具场景和移动健康研究中收集的实际数据的模拟研究，我们展示了双人强化学习的实证绩效。

    Aug, 2023

  • 应用于移动健康的长期平均结果的离策略估计

    本文探讨了移动健康干预技术 (mHealth) 中的即时自适应干预政策，包括专家提供的政策以及基于历史数据的干预政策效果估计，并提供了一个估计器和置信区间，以评估这类政策在长期内是否能提高健康结果。

    Dec, 2019

  • 移动健康应用中的用户参与度

    该研究提出了一个框架来研究健康工作者对移动健康的使用，重点关注数字医疗健康应用的行为日志，并提供了多种个性化的度量方法来检测有效参与度和检测完全失去参与的情况，最终为卫生工作者的能力提升、病患治疗和生命拯救做出贡献。

    Jun, 2022

  • 使用机器学习预测运动员健身情况的移动健康数据

    本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

    Apr, 2023

  • 针对健康行为改变的自适应干预

    通过改进的 Thompson 采样算法实现对个性化目标的优化和个性化奖励函数的最优化，从而在移动健康应用中达到降低累积遗憾和提高个性化回报的效果。

    Nov, 2023

  • 预见性移动数字健康：走向个性化主动疗法和预防策略

    本文着重探讨移动计算设备与机器学习的结合，针对医疗领域持续监控和预测患者健康状况的现状，提出基于移动设备的个性化健康护理方案，旨在解决个性化医疗成本过高的问题。

    Aug, 2015

  • 具有策略预算的个性化强化学习

    个性化机器学习中，我们提出了一种名为 r-MDPs 的框架，通过与一小组代表性策略的交互来满足多样化的用户群体，并同时优化这些策略以最大化整体社会福利。通过两种深度强化学习算法，我们在多个模拟环境中进行了实证研究，展示了这些算法在有限的策略预算下实现有意义的个性化，并具有可扩展性，能够适应更大的策略预算。

    Jan, 2024

  • MentalHealthAI：利用个人健康设备数据优化精神病学治疗

    本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

    Jul, 2023

  • 基于协同马尔可夫决策过程系统的人机共适应界面

    本文提出了一种基于模型的强化学习的方法，即协同适应 MDPs 模型，可用于人机界面和康复系统中，可以提高用户（患者）和机器（机器人助手）的表现效果，并强调了用户与机器之间的协同适应过程。

    May, 2023